線上教學101：寫給沒進行過線上教學的老師

最近疫情嚴重，很多老師突然被要求改線上上課，一整個措手不及。以下分享我一對一線上上課的經驗，供大家參考，有些部分會與一對多在操作上有所差別，可自行調整。

除了面對面的實體課之外，我從兩年前開始收線上上課的學生，至今已上了近300堂的線上課。線上上課雖然與實體上課模式稍有不同，但以過往學生一對一上課的經驗來看，其實不太會影響到學習的效果。曾經很多學生/家長排斥線上上課，但是現在可能暫時只有這個選擇了

以下是我照著我平常上課的模式打的，若是有疏漏，歡迎補充與提問。

另外有附上一些上課的截圖，可供老師參考上課的狀況，或是參考可以進行的活動。有時候截圖常常會是奇怪的表情，所以請原諒我把也自己馬掉了XDD 其實能進行的活動很多，不只有我照片那些，只是有些活動的截圖，我實在翻不到了XD

📌📌課前- 老師端📌📌
1. 安裝zoom
(若擔心資安或被禁止使用，可自行換其他軟體/平台)
2. 申請zoom帳號密碼，才可以主持會議
3.準備好網路攝影機、耳機、麥克風，以及穩定的網路
4. 自己先主持"新會議"，熟悉介面使用
(一個人也可以開會議)
5. zoom上面的按鈕全部都按看看，不會壞掉，就放心到處點吧，了解不同功能在幹嘛
6. 我自己常用功能如下：分享畫面、白板、截圖、靜音(自己或學生)、分享聲音
6.5 白板的功能很多，我個人全部都很常用，建議老師可以都點看看摸熟操作
7. zoom都會使用之後，開一個雲端共享資料夾，未來放上課的檔案、截圖。
8. 上課前若有學生會用到的講義，可請學生先到雲端資料夾下載使用
9. 確認上課要開的書籍、文件、檔案、作業...等，都有電子檔，若是沒有，可以拍照或掃描放到電腦中。若是有些是老師/學生兩邊都有的書，就不一定要有電子檔，可以用白板協助課程進行，看老師操作方便
10. zoom若是一對多上課，會有時間限制，若是覺得斷掉再重新連回來很麻煩，就直接付錢給zoom囉。若是一對一使用，沒有使用時間限制

📌📌課前- 學生/家長端📌📌
1. 請學生準備網路攝影機、耳機、麥克風，以及穩定的網路。如果是用筆電或是平板，基本上前三者都會有，就不用另外準備。
2. 學生可使用桌電、筆電、平板上課。手機也可以，但是不建議。若學生家長擔心螢幕太小不方便看，可請他們投影至電視或是接HDMI線連接到電視。
3. 請學生將作業拍照後用line傳給老師，在傳送照片時，左上角選"原始畫質"，這樣看照片下載下來才不會不清楚。這步驟也可以改用雲端資料夾或是google classroom代替，請學生直接上傳上去

📌📌第一次上課：提早10-15分鐘開始📌📌
1. 把zoom的連結給學生，若是學生的電腦/平板沒有裝過zoom，會先進入安裝程序，就請學生照著程序先安裝。
2. 安裝好後，請學生再次點連結，就會進入會議了
3. 教學生使用白板的各種功能，至少要會用滑鼠劃記、打字，才有辦法做筆記與討論
我曾有極少數學生跟我說他沒辦法使用，若是有此狀況，在練習時，可以請學生說出來，老師幫他打字。有些學生打字速度極慢，也可以改由學生說老師打，但是在幫學生打時，就算答案是錯的，也要照著打，不要自己幫他改成對的XD

📌📌正式上課📌📌
0. 老師先把當天上課會用的到檔案、作業、講義、音檔...等先都開好，這樣上課在切換上就可以很順暢
1. 可直接給學生會議連結，或是給學生會議號碼以及會議密碼，讓他們"加入會議"
2. 進入教室後，若是一對多上課，老師怕吵或太亂，可以把大家靜音
3. 老師端可要求學生開始視訊鏡頭，但這個就看老師了
4. 若需要小組分開討論，zoom可以開設"分組討論"，把大家分去不同的小房間。不過我都一對一上課，沒實際用過這個功能
5. 老師在上課時，可以截圖一些重要的畫面，也可以直接錄影整堂課。我自己是不會錄影，因為不想讓學生覺得他之後可以慢慢看，這樣學生容易不專心上課。學生端也可以截圖跟錄影，就看他們自己，不過我不會特別跟學生說有這個功能就是了。
6. 可以跟學生約定互相使用的顏色，比較不會造成混亂。
像是我一般是讓學生用藍色，我自己會用橘色/咖啡色改正，若是要再改其它東西，會使用綠色。重點標示會用圖章，或是黃色的螢光筆
7. 下課前記得出作業
8. 結束會議

📌📌課後- 老師端📌📌
1. 把上課截圖傳到雲端資料夾，共享給學生
2. 若有小組討論報告，google可以共同編輯，看要word/excel/ppt都可以
3. 可以用google問卷，做課後評量
4. 收集學生作業
5. 準備下次上課

====
❓學生常有的問題❓
1. 我沒被靜音，為什麼我講話沒聲音
請學生看zoom視窗左下角，有麥克風圖案的地方，請他重新"測使喇叭&麥克風"。若是只看到耳機的圖案，那個會是"加入音訊"，請學生點下去照步驟做

2. 聲音/畫面卡住了怎麼辦
撇除網速的問題，有時候會是zoom自己的問題，這時候稍微等一下，zoom會重新斷掉再連接，剛連接回來會暫時沒聲音，就再等一下。
這個問題我兩年前在使用時幾乎沒遇到，從去年開始較常遇到，我不確定是不是因為全球很多人因為疫情在使用還是怎麼樣，目前除了等zoom自己重新連接，找不到其他方法
若是學生有說卡住了，老師該截圖的記得趕快截XD

3. 要怎麼在白板/畫面上畫畫或打字
請學生在視窗上方找一下，應該會有選項，裡面有"註解"，點下去就會跳出可以畫記的功能列了

4. 我要註冊帳號嗎？
若沒有要主持會議，不需要

5. 我打字好了，可是老師你怎麼看不到
請學生把滑鼠在空白處點一下，不要選取在文字框

6. 老師我打字好了，可是有一半的字不見了
請老師去選取學生的文字，把文字框拉大就可以了

=====
⚡️其它線上教學使用的資源⚡️
1. FB社團: 台灣線上同步教學社群
https://www.facebook.com/groups/1011192722620224
2. FB社團: Teacher Ruth's Ed Tech for 高中英文教學
https://www.facebook.com/groups/214740112040210/

以上大概是這樣，有問題歡迎提問

#凱蒂英文 #線上上課 #正向防疫 #停課不停學 #zoom教學 #高中英文 #學測 #學測英文 #指考 #指考英文 #統測 #統測英文 #英檢 #多益

😻追蹤IG：cattyenglish
🚀部落格：https://reurl.cc/Gkko5x
🔥預約凱蒂老師的課程：https://lihi1.cc/XKuu8

迎接終端AI新時代：讓運算更靠近資料所在

作者 : Andrew Brown，Strategy Analytics
2021-03-03

資料/數據(data)成長的速度越來越快。據估計，人類目前每秒產出1.7Mb的資料。智慧與個人裝置如智慧型手機、平板電腦與穿戴式裝置不但快速成長，現在我們也真正目睹物聯網(IoT)的成長，未來連網的裝置數量將遠遠超越地球的人口。

這包括種類繁多的不同裝置，像是智慧感測器與致動器，它們可以監控從震動、語音到視覺等所有的東西，以及幾乎大家可以想像到的所有東西。這些裝置無所不在，從工廠所在位置到監控攝影機、智慧手錶、智慧家庭以及自主性越來越高的車輛。隨著我們企圖測量生活週遭數位世界中更多的事物，它們的數量將持續爆炸性成長。

資料爆量成長，讓許多企業把資料從內部部署運作移到雲端。儘管集中到雲端運算的性質，在成本與資源效率、彈性與便利性有它的優點，但也有一些缺點。由於運算與儲存在遠端進行，來自終端、也就是那些在網路最邊緣裝置的資料，需要從起始點經過網際網路或其他網路，來到集中式的資料中心(例如雲端)，然後在這裡處理與儲存，最後再傳回給用戶。

對於一些傳統的應用，這種方式雖然還可以接受，但越來越多的使用場景就是無法承受終端與雲端之間，資訊被接力傳遞產生的延遲。我們必須即時做出決策，網路延遲要越小越好。基於這些原因，開始有人轉向終端運算；越來越多人轉而使用智慧終端，而去中心化的程度也越來越高。此外，在這些即時應用中產生的龐大資料量，意味著處理與智慧必須在本地以分散的方式進行。

與資料成長連袂而來的，是人工智慧與機器學習(ML)也朝終端移動，並且越來越朝終端本身移動。大量來自真實世界的資訊，需要用ML的方式來進行詮釋與採取行動。透過AI與ML，是以最小的延遲分析影像、動作、影片或數量龐大的資料，唯一可行且合乎成本效益的方式。運用AI與ML的演算法與應用將在邊緣運作，在未來還將會直接在終端裝置上進行。

資料正在帶動從集中化到分散化的轉變

隨著資訊科技市場逐漸發展與成熟，網路的設計以及在其運作的所有裝置，也都跟著進化。全盛時期從服務數千個小型客戶端的主機，一直到客戶端伺服器模型中使用的越來越本地化的個人電腦運算效能，基礎架構持續重組與最佳化，以便更貼近網路上的裝置以及符合運作應用的需求。這些需求包含檔案存取與資料儲存，以及資料處理的需求。

智慧型手機與其他行動裝置的爆炸性成長，加上物聯網的快速成長，促使我們需要為如何讓資產進行最佳的部署與安排進行評估。而影響這個評估的因素，包括網路的可用性、安全性、裝置的運算力，以及把資料從終端傳送到儲存設備的相關費用，近來也已轉向使用分散式的運算模型。

從邊緣到終端：AI與ML改變終端典範

在成本、資源效率、彈性與便利性等方面，雲端有它的優點，裝置數量的急遽增加(如圖2)，將導致資料產出量大幅增加。這些資料大部份都相當複雜且非結構化的，這也是為何企業只會分析1%~12% 的資料的原因之一。把大量非結構化的資料送到雲端的費用相當高、容易形成瓶頸，而且從能源、頻寬與運算力角度來看，相當沒有效率。

在終端執行進階處理與分析的能力，可協助為關鍵應用降低延遲、減少對雲端的依賴，並且更好地管理物聯網產出的巨量資料。

終端AI：感測、推論與行動

在終端部署更多智慧的主要原因之一，是為了創造更大的敏捷性。終端裝置處於網路的最邊緣與資料產生的地方，可以更快與更準確地做出回應，同時免除不必要的資料傳輸、延遲與資料移動中的安全風險，可以節省費用。

處理能力與神經網路的重大進展，正協助帶動終端裝置的新能力，另一股驅動力則是對即時資訊、效率(傳送較少的資訊到雲端)、自動化與在多數情況下，對近乎即時回應的需求。這是一個三道步驟的程序：傳送資料、資料推論(例如依據機器學習辨識影像、聲音或動作)，以及採取行動(如物件是披薩，冰箱的壓縮機發出正常範圍外的聲音，因此發出警告)。

感測

處理器、微控制器與感測器產生的資料量相當龐大。例如，自駕車每小時要搜集25GB的資料。智慧家庭裝置、智慧牙刷、健身追蹤器或智慧手錶持續進化，並且與以往相比，會搜集更多的資料。

它們搜集到的資料極具價值，但每次都從各個終端節點把資料推回給雲端，數量又會過多。因此必須在終端進行處理。倘若部份的作業負載能在終端本身進行，就可以大幅提升效率。

推論

終端搜集到的資料是非結構性的。當機器學習從資料擷取到關聯性時，就是在進行推論。這表示使用AI與ML工具來幫忙訓練裝置辨識物件。拜神經網路的進展之賜，機器學習工具越來越能訓練物件以高度的精準度辨識影像、聲音與動作，這對體積越來越小的裝置，極為關鍵。

例如，圖4顯示使用像ONNX、PyTorch、Caffe2、Arm NN或 Tensorflow Lite 等神經網路工具，訓練高效能的意法半導體(ST)微控制器(MCU)，以轉換成最佳化的程式碼，讓MCU進行物件辨識(這個的情況辨識對象是影像、聲音或動作)。更高效能的MCU越來越常利用這些ML工具來辨識動作、音訊或影像，而且準確度相當高，而我們接下來馬上就要對此進行檢視。這些動作越來越頻繁地從邊緣，轉移到在終端運作的MCU本身。

行動

資料一旦完成感測與推論後，結果就是行動。這有可能是回饋簡單的回應(裝置是開啟或關閉)，或針對應用情況進行最佳化(戴耳機的人正在移動中，因此會針對穩定度而非音質進行最佳化)，或是回饋迴路(根據裝置訓練取得的機器學習，輸送帶若發出聲音，顯示它可能歪掉了)。物聯網裝置將會變得更複雜且更具智慧，因為這些能力提升後，運算力也會因此增加。在我們使用新的機器學習工具後，一些之前在雲端或終端完成的關鍵功能，將可以移到終端本身的內部進行。

終端 AI：千里之行始於足下

從智慧型手機到車輛，今日所有電子裝置的核心都是許多的處理器、微控制器與感測器。它們執行各種任務，從最簡單到最複雜，並需要各式各樣的能力。例如，應用處理器是高階處理器，它們是為行動運算、智慧型手機與伺服器設計；即時處理器是為例如硬碟控制、汽車動力傳動系統，與無線通訊的基頻控制使用的非常高效能的處理器，至於微控制器處理器的矽晶圓面積則小了許多，能源效率也高出很多，同時擁有特定的功能。

這意味著利用ML工具訓練如MCU等較不複雜元件來執行的動作，之前必須透過威力更強大的元件才能完成，但現在邊緣與雲端則是理想的場所。這將讓較小型的裝置以更低的延遲執行更多種類的功能，例如智慧手錶、健康追蹤器或健康照護監控等穿戴式裝置。

隨著更多功能在較小型的終端進行，這將可以省下資源，包括資料傳輸費用與能源費用，同時也會產生極大的環境衝擊，特別是考量到全球目前已有超過200億台連網裝置，以及超過2,500億顆MCU(根據Strategy Analytics統計數據)。

TinyML、MCU與人工智慧

根據Google的TesnsorFlow 技術主管、同時也是深度學習與TinyML領域的指標人物 Pete Warden 表示：「令人相當興奮的是，我還不知道我們將如何使用這些全新的裝置，特別是它們後面代表的科技是如此的吸引人，我無法想像那些即將出現的全新應用。」

微型機器學習(TinyML)的崛起，已經催化嵌入式系統與機器學習結合，而兩者傳統上大多是獨立運作的。TinyML 捨棄在雲端上運作複雜的機器學習模型，過程包含在終端裝置內與微控制器上運作經過最佳化的模式識別模型，耗電量只有數毫瓦。

物聯網環境中有數十億個微型裝置，可以為各個產業提供更多的洞察與效率，包括消費、醫療、汽車與工業。TinyML 獲得 Arm、Google、Qualcomm、Arduino等業者的支持，可望改變我們處理物聯網資料的方式。

受惠於TinyML，微控制器搭配AI已經開始增添各種傳統上威力更強大的元件才能執行的功能。這些功能包括語音辨識(例如自然語言處理)、影像處理(例如物件辨識與識別)，以及動作(例如震動、溫度波動等)。啟用這些功能後，準確度與安全性更高，但電池的續航力卻不會打折扣，同時也考量到各種更微妙的應用。

儘管之前提到的雲端神經網路框架工具，是取用這個公用程式最常用的方法，但把AI函式庫整合進MCU，然後把本地的AI訓練與分析能力插入程式碼中也是可行的。這讓開發人員依據從感測器、麥克風與其他終端嵌入式裝置取得的訊號導出資料模式，然後從中建立模型，例如預測性維護能力。

如Arm Cortex-M55處理器與Ethos U55微神經處理器(microNPU)，利用CMSIS-DSP與CMSIS-NN等常見API來簡化程式碼的轉移性，讓MCU與共同處理器緊密耦合以加速AI功能。透過推論工具在低成本的MCU上實現AI功能並符合嵌入式設計需求極為重要，原因是具有AI功能的MCU有機會在各種物聯網應用中轉變裝置的設計。

AI在較小型、低耗電與記憶體受限的裝置中可以協助的關鍵功能，我們可以把其精華歸納至我們簡稱為「3V」的三大領域：語音(Voice，如自然語言處理)、視覺(Vision，如影像處理)以及震動(Vibration，如處理來自多種感測器的資料，包括從加速計到溫度感測器，或是來自馬達的電氣訊號)。

終端智慧對「3V」至關重要

多數的物聯網應用聚焦在一些特定的領域：基本控制(開/關)、測量(狀態、溫度、流量、噪音與震動、濕度等)、資產的狀況(所在地點以及狀況如何？)，以及安全性功能、自動化、預測性維護以及遠端遙控(詳見圖 6)。

Strategy Analytics的研究顯示，許多已經完成部署或將要部署的物聯網B2B應用，仍然只需要相對簡單的指令，如基本的開/關，以及對設備與環境狀態的監控。在消費性物聯網領域中，智慧音箱的語音控制AI已經出現爆炸性成長，成為智慧家庭指令的中樞，包括智慧插座、智慧照明、智慧攝影機、智慧門鈴，以及智慧恆溫器等。消費性裝置如藍牙耳機現在已經具備情境感知功能，可以依據地點與環境，在音質優先與穩定度優先之間自動切換。

如同我們檢視的結果，終端AI可以在「3V」核心領域提供價值，而它觸及的許多物聯網領域，遍及B2B與B2C的應用：

震動：包含來自多種感測器資料的處理，從加速計感測器到溫度感測器，或來自馬達的電氣訊號。
視覺：影像與影片辨識；分析與識別靜止影像或影片內物件的能力。
語音：包括自然語言處理(NLP)、瞭解人類口中說出與寫出的語言的能力，以及使用人類語言與人類交談的能力-自然語言產生(NLG)。
垂直市場中有多種可以實作AI技術的使用場景：

震動

可以用來把智慧帶進MCU中的終端AI的進展，有各式各樣的不同應用領域，對於成本與物聯網裝置與應用的效用，都會帶來衝擊。這包括我們在圖6中點出的數個關鍵物聯網應用領域，包括：

溫度監控；
壓力監控；
溼度監控；
物理動作，包括滑倒與跌倒偵測；
物質檢測(漏水、瓦斯漏氣等) ；
磁通量(如鄰近感測器與流量監控) ；
感測器融合(見圖7)；
電場變化。

一如我們將在使用場景單元中檢視的，這些能力有許多可以應用在各種被普遍部署的物聯網應用中。

語音

語音是進化的產物，也是人類溝通非常有效率的方式。因此我們常常想要用語音來對機器下指令，也不令人意外；聲音檢測是持續成長的類別。語音啟動在智慧家庭應用中很常見，例如智慧音箱，而它也逐漸成為啟動智慧家庭裝置與智慧家電的語音中樞，如電視、遊戲主機與其他新的電器。

在工業環境中，供車床、銑床與磨床等電腦數值控制(CNC)機器使用的電腦語音引擎正方興未艾。iTSpeex的ATHENA4是第一批專為這些產品設計的語音啟動作業系統。這些產品往往因為安全原因，有離線語音處理的需求，因此終端 AI 語音發展在這裡也創造出有趣的機會。用戶可以指示機器執行特定的運作，並從機器手冊與工廠文件，立即取用資訊。

語音整合在車輛中也相當關鍵。OEM 代工廠商持續對車載娛樂系統中的語音辨識系統，進行大量投資。語音有潛力成為最安全的輸入模式，因為它可以讓駕駛的眼睛持續盯著道路，而雙手仍持續握著方向盤。

對於使用觸控螢幕或硬體控制器通常需要多道步驟的複雜任務，語音辨識系統特別能勝任。這些任務包括輸入文字簡訊、輸入目的地、播放特定歌曲或歌曲子集，以及選擇廣播電台頻道。其他的服務包含如拋錨服務(或bCall)與禮賓服務。

視覺

正如我們之前已經檢視過，終端 AI 提供視覺領域全新的機會，特別是與物件檢測及辨識相關。這可能包括觀察生產線的製造瑕疵，以及找出自動販賣機需要補貨的庫存。其他實例包括農業應用，例如依據大小與品質為農產品分級。

曳引機裝上機器視覺攝影機後，我們幾乎可以即時檢測出雜草。雜草冒出後，AI可以分類雜草並估算它對農產收穫的潛在威脅。這讓農民可以鎖定特定的雜草，並打造客製的除草解決方案。機器視覺然後可以檢測除草劑的效用，並找出農地中仍具抗藥性的殘餘雜草。

使用場景

預測性維護工具已經從擷取與比較震動的量測資料，進化到提出即時的資產監控。藉由連接物聯網感測器裝置與維護軟體，我們也可能做到遠端監控。

震動分析

這種類型的預測性維護在旋轉型機器密集的製造工廠裡，相當常見。震動分析可以揭露鬆脫、不平衡、錯位與軸承磨損等狀況。例如，把震動計量器接上靠近選煤廠離心泵浦內部承軸處，就可以讓工程師建立起正常震動範圍的基線。超出這個範圍的震動，可能顯示滾珠軸承出現鬆動，需要更換。

磁感測器融合

磁感測器利用磁性浮筒與一系列可以感應並與液體表面一起移動的感測器，測量液面的高低。所有的這些應用都使用一個固定面上的磁感測器，它與附近平面的磁鐵一起作動，與這個磁鐵相對應的感測器也會移動。

聲學分析(聲音)

與震動分析相似，聲測方位分析也是供潤滑技師使用，主要是專注在主動採取潤滑措施。這意味我們可以避免移動設備時產生的過度磨損，否則會為了修理造成代價高昂的停機。實際的例子可能包括測量輸送皮帶的承軸狀況。出現過度磨損時，承軸會因為潤滑不足或錯位出現故障，可能造成整個生產流程的中斷。

聲學分析(超音波)

聲音聲學分析雖然可以用來進行主動與預測性維護，超音波聲學分析卻只能用於預測性維護。它可以在超音波範圍內找出與機器摩擦及壓力相關的聲音，並使用在會發出較細微聲音的電氣設備與機器設備。我們可以說這一類型的分析與震動或油量分析相比，更可以預測即將出現的故障。目前它部署起來比其他種類的預防性維護花費較高，但終端 AI 的進展可以促成這種細微層級的聲學檢測，大幅降低部署的費用。

熱顯影

熱顯影利用紅外線影像來監控互動機器零件的溫度，讓任何異常情況很快變得顯而易見。具備終端 AI 能力的裝置，可以長期檢測微細的變化。與其他對事故敏感的監視器一樣，它們會觸發排程系統，自動採取適當的行動來預防零件故障。

消費者與智慧家庭

將語音運用在消費者與智慧家庭，是最常看到的場景之一。這包括智慧型手機與平板電腦上、未包含電話整合功能的裝置，例如螢幕尺寸有限的穿戴式裝置。這類型的裝置包含智慧手錶與健康穿戴式裝置，可以為各種功能提供免動手的語音啟動。像 Amazon 的 Echo 或 Google 的 Home 等智慧音箱市場的成長，說明消費者對於可接收與提供語音互動等現有裝置的強勁需求，與日俱增。

消費者基於各種理由使用智慧音箱，最常見的使用場景為：

聽音樂；
控制如照明等智慧家庭裝置；
取得新聞與天氣預報的更新；
建立購物與待辦事項清單。

除了像智慧音箱與智慧電視等消費裝置，智慧家庭裝置語音的使用，也顯現相當的潛力。諸如連網門鈴(如 ring.com)等裝置與連網的煙霧偵測器(例如 Nest Protect 煙霧與一氧化碳警報)目前都已上市可供消費者選購，它們結合了語音與視覺的感測器融合功能以及運動檢測。有了連網的煙霧偵測器，裝置在偵測到煙霧或一氧化碳時，可以發出語音警告。

終端 AI 為強化這些能力提供了全新機會，而且常常結合震動(動作)、視覺與語音控制。例如，增加姿態辨識來控制例如電視等家電，或是把語音控制嵌入白色家電，即是以最低成本強化功能性最直接的方式。

健康照護

用來發現醫護資訊的 AI 驅動終端裝置的應用，將為病況的治療與診斷，提供更多的價值。這種資訊可能是資料，也可能是影像、影片以及說出的話，我們可以透過 AI 進行型態與診斷分析。這些資料將引發全新、更有效的治療方法，為整個產業節省成本。受惠於終端 AI 的進展，像 Google Duplex 等語音系統的複雜性將會降低。例如門診預約等勞力密集的工作，也可以轉換成 AI 活動。利用自然語言語音來延伸 AI 的使用，也可以把 AI 用在第一線的病人診斷，然後再由醫師接手提供諮詢。

其他健康照護實例包括像 Wewalk5 等物件，這是一個供半盲與全盲人員使用的智慧拐杖。它使用感測器來檢測胸口水平以上的物件，並搭配 Google Maps 與 Amazon Alexa 等 app，方便使用者提出問題。

結論

由於連網的終端裝置數量越來越多，這個世界也越來越複雜。連接到網際網路的裝置已經超過 300 億個，而微控制器的數量也超過 2,500 億，每年還會增加約 300 億個。越來越多的程序開始進行自動化，不過，把大量資料傳送到雲端涉及的延遲以及邊緣運算的額外費用，意味著許多全新、令人興奮且引人矚目的物聯網使用場景，可能無法開花結果。

解決這些挑戰的答案，並不是為雲端資料中心持續增添運算力。降低出現在邊緣的延遲雖然會有幫助，但不會解決日益分散的世界的所有挑戰。我們需要把智能應用到基礎架構中。

儘管為終端裝置增添先進的運算能力在十年前仍不可行，TinyML 技術近來的提升，已經讓位處相當邊緣的裝置 (也就是終端本身)增添智能的機會大大改觀。在終端增加運算與人工智慧能力，可以讓我們在源頭搜集到更多更具關聯性與相關的資訊。隨著裝置與資料的數量持續攀升，在源頭掌握情境化與具關聯性的資料，具有極大的價值，並將開啟全新的使用場景與營收機會。

終端裝置的機器學習，可以促成全新的終端 AI 世界。新的應用場景正在崛起，甚至跳過傳送大量資料的需求，因而紓解資料傳輸的瓶頸與延遲，並在各種作業環境中創造全新機會。終端 AI 將為我們開啟一個充滿全新機會與應用場景的世界，其中還有很多我們現在想像不到的機會。

附圖：圖1：從集中式到分散式運算的轉變。
(資料來源：《The End of Cloud Computing》，by Peter Levine，Andreessen Horowitz)
圖2：全球上網裝置安裝量。
(資料來源：Strategy Analytics)
圖3：深度學習流程。
圖4：MCU的視覺、震動與語音。
(資料來源：意法半導體)
圖5：AI 工具集執行模型轉換，以便在MCU上執行經最佳化的神經網路推論。
(資料來源：意法半導體)
圖6：物聯網企業對企業應用的使用-目前與未來。
(資料來源：Strategy Analytics)
圖7：促成情境感知的感測器融合。
(資料來源：恩智浦半導體)

資料來源：https://www.eettaiwan.com/20210303nt31-the-dawn-of-endpoint-ai-bringing-compute-closer-to-data/?fbclid=IwAR0JTRpNsJUl-DmSNpfIcymGQpkQaUgXixEaczwDpELxGCaCeJpkTyoqUtI

當初一開始挑戰的時候，很難相信自己可以做到每日一企劃這件事。

沒想到挑戰來到最後一天了

其實算是一個逼死自己的一週

歐不，其實是前兩三週就開始企劃了！

從事前規劃、企劃發想、執行細節等等，都很要想得很周全

在開始之前，也懷疑自己很多次😔

是不是每天都可以寫出能幫助到大家的文章，做出好看實用的投影片排版

因為說真的，每天從製作投影片到回覆所有的留言動態等等

都要花超過8個小時以上的時間😱

但在我內心的深處

其實最擔心的是會不會沒有人參加這個活動

但是從第一天開始的回饋，就讓我知道好像做對了某件事情，有動力支撐我繼續做下去

每個參加的人都要上班工作，即便很累，也都堅持抽出時間來完成每天任務，有人很拼的要趕工完

好不容易做完剛好收到我的加油訊息，妳告訴我「謝謝妳，覺得有人陪著努力一點也不孤單！」

老實說前四天的任務，每天都很硬！因為就真的很燒腦啊（因為也很燒我的）😂

每天挑戰結束後，我也盡力給每一個人回饋，陪你們一起到半夜啊呵呵

參加挑戰的粉絲們說：

「你真的是可以當人資了啊！」
「謝謝Emily設計這個挑戰，讓本來很難的面試變得簡單好上手」
「Emily你每一個人的內容都有認真看耶！太感謝了！」

我想跟大家說：「你們每一個人都如此投入和認真，我當然要加倍努力才行啊！我在教學但我也瘋狂成長了！」

你們對自己的承諾都辦到了！

這一週大家一定成長很多也有很多感觸

最重要的是在這過程中我們都學習了 這些收穫別人也偷不走

原本你害怕的、擔心的都有機會可以克服，只要你願意開始做，其實你會發現，你比自己想的還要優秀！

我以你們為榮 也感謝大家陪我走到最後一天的挑戰

每天的標註和簽到，不像是例行公事，而像是一種互道早安打招呼的好朋友一樣

從你們的動態中，我也更進一步地認識你們，了解你們

認真覺得認識了一群很棒的朋友

希望你們都可以應徵到自己心目中理想的公司

踏在自己夢想的路上

繼續加油喔！
　
　
最後的最後
　
記得我們一開始有說過，挑戰結束時，在IG po一篇文嗎？
　
請大家選一張這七天內，你在準備這些課題中，最喜歡的一張照片，發佈在你的IG貼文中，分享你的挑戰參加的心得。
　
也要記得在貼文中加上這兩個活動# （#7DaysPrepareInterview #7日面試工作準備大挑戰）和標我的帳號 @emily_cpy
　
這樣我在結束的時候，可以從大家的 # 裡面找到你們的貼文，選出這次3位「中英文自傳修改」的得獎者。
　
記得要在，在6/3之前完成PO出心得，得獎者會在6/5前公佈喔
　
　
另外
　
我也在考慮把這次7天課題的投影片，整理起來給大家，如果你想要的話可以在底下+1
　
我來看有多少人數，然後想個辦法讓你們可以收到，我整理了兩個禮拜，製作的寶貴投影片，一共有80多張啊😂😂
　
　
回答大家這七天想要問的問題：
　
Q1：如果面試官問期待的薪資，該如何回答才能夠不失禮貌，又達到自己的預期？
　
其實在應徵該職位時你就已經知道行情薪資大概是落在哪裡，你心裡也有預期了，不太可能相差太遠。

就以自己的判斷講出期待的待遇數字，或是當你不太清楚該職位的薪資，你也可以給予一個薪資範圍，禮貌性地詢問面試官，這樣算圓融又不失禮貌地處理方式。
　
　
Q2：履歷怎麼樣做出吸引人的排版？是完全自己慢慢磨練呢？還是使用word裡面現有的模板呢？
　
先在google搜尋一些版型的範例，然後找幾個你比較順眼的排版方式，試著用在自己的履歷上。

如果中文找不到喜歡的，也可以用英文關鍵字找看看版型，排版最重要不是花俏，而是要夠快速的呈現重點。

看一眼理解的時間越少，履歷越好。
　
　
Q3：要怎麼把自己的親身經歷舉例，回答得比較精彩？
　
說故事是最能打動人的方式，最好要讓你的舉例是有畫面感的，你把當時發生的事重述一次給考官聽，可以著重在一到兩個關鍵細節詳細描述。

例如一個客訴的經驗，你與客人講話的對話框，你用什麼方式去處理，又是做對了什麼才順利解決，這樣的回答內容就會很精彩！
　
　
Q4：在英文面試中若有聽不懂的單字或句子，應該如何面對？
　
記得我們之前在面試技巧有談到不能答非所問，可以老實說自己不懂那個單字或句子，誠實是比較好的做法喔！
可以請面試官再解釋重複一次問題喔！
　
　
Q5：工作是翻譯要怎麼用數字來凸顯與其他求職者的不同呢？畢竟不是實際去執行業務的人，只是中間橋樑。
　
可以用翻過的知名的作品來取代數字喔，或者是也可以用翻譯的文件數量、文字數、翻譯的產業類別、或是你可以多快交草稿、翻譯的準確率等等，來做凸顯說明
　
　
Q6：為什麼投了履歷會沒結果？
　
有幾個原因：
- 必須好好檢視履歷，有可能有需要調整的地方，不夠吸引人
- 你應徵的職務和你的專長技能是否吻合
- 企業不感興趣而已讀不回
- 你的履歷表相對較沒有競爭力，關鍵字篩選就被踢掉了
　
　
現在的感覺，好像是我們一起出國經歷了8天7夜的旅程。

現在在回程的飛機上，認識了大家很開心很興奮，但有點感傷這一趟的旅程就要結束了，每天好像會少了一種陪伴，那種心情很難言喻。

不過我們在線上，還是有機會繼續聯絡見面啦，祝大家這一次的挑戰都有收穫喔！

7日面試工作準備大挑戰

大成功‼️

#7DaysPrepareInterview
#7日面試工作準備大挑戰

#interview #interviewtips #outfit #jobinterview #interviewoutfit #interviewpreparation
#Englishinterview #cv #coverletter
#面試 #工作 #求職 #畢業 #畢業生
#英文口語練習 #英文面試 #英文會話 #英文口說 #英文